Les modèles d'actions systématiques sont souvent construits en combinant différents signaux, tels que la valeur, le momentum et la qualité, en un score unique. Dans la plupart des cas, celui-ci est construit de manière linéaire, où chaque signal contribue de façon indépendante et proportionnelle au résultat final. Bien que cette approche soit simple et efficace, elle suppose que chaque signal fonctionne de la même manière, quel que soit le contexte général. En réalité, ce n'est pas toujours le cas.
Dans le cadre de la recherche sur l'apprentissage statistique (Alentorn & Mrazik, 2025) au sein de notre programme académique, nous avons exploré comment les interactions non linéaires entre les signaux d'investissement peuvent être captées plus efficacement en utilisant, par exemple, des arbres de décision et des réseaux de neurones ainsi que des techniques plus traditionnelles. Dans ce cas précis, nous avons opté pour un modèle qui capte les non-linéarités tout en restant interprétable, et où nous pouvons valider la thèse d'investissement mise en œuvre.
Les interactions non linéaires, ou la dépendance d'état, permettent au modèle de capter des situations où l'efficacité d'un signal dépend d'un autre. Au lieu de traiter les signaux de manière isolée, le modèle peut reconnaître que certaines combinaisons de caractéristiques sont particulièrement importantes.
L'avantage de cette approche est qu'elle permet au modèle de se concentrer sur les segments du marché où les signaux sont les plus significatifs. Plutôt que de répartir le pouvoir prédictif de manière uniforme sur tous les titres, les approches non linéaires aident à identifier des conditions spécifiques où les rendements sont plus prévisibles. Cela peut fournir un signal plus ciblé et informatif, mieux aligné avec le comportement réel des marchés. En substance, les relations non linéaires offrent un moyen d'extraire des informations supplémentaires à partir des signaux existants, sans avoir besoin de données entièrement nouvelles, en comprenant comment ces signaux fonctionnent ensemble plutôt que séparément.Non-linear interactions can capture patterns that evade linear models.
Les interactions non linéaires peuvent capter des schémas qui échappent aux modèles linéaires
Source: Jupiter. À des fins d'illustration uniquement.
Combiner les effets comportementaux et informationnels
Notre nouveau signal non linéaire s'inscrit dans notre stratégie de sélection de titres basée sur la direction de l'entreprise (Company Management), qui cherche à évaluer la qualité d'une équipe dirigeante à travers les données issues de leurs prises de décision. Le nouveau signal fusionne des signaux existants en un terme d'interaction conçu pour enrichir l'information déjà présente dans chaque composante. Plus précisément, il combine l'effet informationnel des signaux de la direction avec l'impact du comportement des cours.
L'idée centrale est que les interdépendances entre ces deux effets peuvent être plus informatives que chaque signal pris séparément. Il peut capter une divergence ou une convergence significative entre les perceptions externes des acteurs du marché et la conviction interne de la direction. Les cas de divergence sont, par exemple, plus susceptibles de révéler une erreur d'évaluation des prix.
En modélisant explicitement des relations structurelles subtiles, notre nouveau signal est capable d'identifier les cas où la divergence ou la convergence sont les plus significatives. Le modèle peut mieux capter les situations où les attentes du marché et les fondamentaux sous-jacents pourraient être désalignés. Cela conduit à un signal plus riche et plus intuitif sur le plan économique. Par exemple, un comportement des prix faible combiné à des signaux de direction médiocres (convergence) pourrait renforcer les attentes d'un résultat négatif ; tandis qu'un comportement des prix faible combiné à des signaux de direction solides (divergence) pourrait, dans certains cas, indiquer une erreur d'évaluation et potentiellement un résultat positif.
Avantages de cette nouvelle amelioration
L'ajout de la nouvelle interaction relative aux signaux de la direction au sein de la stratégie de sélection de titres « Company Management » du modèle représente une extension significative. En captant les relations conditionnelles et les dépendances fonctionnelles économiquement intuitives entre les signaux, elle permet d'accéder à un alpha incrémental qui n'est pas entièrement saisi par les cadres linéaires. Lorsqu'elle est mise en œuvre avec soin, cela peut :
- Renforcer la diversification du modèle en intégrant un nouveau signal non corrélé qui opère sur une dimension différente des signaux existants ;
- Améliorer la gestion des risques, notamment dans le traitement des informations relatives au comportement des cours, qui peuvent connaître des périodes de retournements brutaux, particulièrement dans des environnements de marché sous tension ;
- Renforcer la capacité du modèle à générer de l'alpha en produisant un processus de sélection de titres affiné et plus robuste.
Améliorer continuellement le processus systématique
Au cœur de la philosophie systématique de Jupiter se trouve un effort de recherche continu et discipliné pour garantir que notre processus d'investissement s'améliore au fil du temps. Depuis plus de 20 ans, cette philosophie a donné lieu à un flux régulier de changements évolutifs dans notre processus d'investissement, menant à une amélioration de nos rendements ajustés au risque attendus au fil du temps. Nous avons actuellement plusieurs autres projets de recherche passionnants en cours, notamment le développement d'autres signaux non linéaires, et nous avons hâte de vous en présenter les détails en temps voulu.
Le processus d'investissement de l'équipe est mis en œuvre depuis plus de deux décennies et fait l'objet d'affinements continus. Les améliorations récentes sont présentées ci-dessous. Ces améliorations font suite à des recherches approfondies menées par l'équipe.
Améliorations récentes
Mises en œuvre dans chacune des trois étapes du processus d’investissement
Références
James G, Witten D, Hastie T, Tibshirani R & Taylor J. An Introduction to Statistical Learning, 2023. Available at https://www.statlearning.com/
Alentorn A & Mrazik M. Fooled by noise? Why statistical learning, not hype, drives our process, Jupiter, 2025. Available at https://www.jupiteram.com/uk/en/professional/insights/why-statistical-learning-not-hype-drives-our-process/
The value of active minds: independent thinking
L’une des principales caractéristiques de l’approche de Jupiter en matière d’investissement est que nous évitons d’adopter un point de vue interne, préférant permettre à nos gestionnaires de fonds spécialisés de formuler leurs propres opinions sur leur catégorie d’actifs. Par conséquent, il convient de noter que toutes les opinions exprimées – y compris sur les questions liées aux considérations environnementales, sociales et de gouvernance – sont celles de l’auteur ou des auteurs et peuvent différer des opinions exprimées par d’autres professionnels de l’investissement de Jupiter.
Informations importantes
Communication publicitaire.
Ce document est destiné aux professionnels de l'investissement* et n'est pas conçu pour l'usage ou le bénéfice d'autres personnes, y compris les investisseurs particuliers.
La valeur des investissements et les revenus qui en découlent peuvent varier à la baisse comme à la hausse, et les investisseurs peuvent ne pas récupérer les montants initialement investis. Les variations des taux de change peuvent également entraîner une baisse ou une hausse de la valeur des investissements.
Ce document est fourni à titre informatif uniquement et ne constitue pas un conseil en investissement. Les opinions exprimées sont celles de l'auteur (ou des auteurs) au moment de la rédaction, ne sont pas nécessairement celles de Jupiter dans son ensemble et sont susceptibles de changer.
Tous les efforts sont déployés pour garantir l'exactitude des informations fournies, mais aucune assurance ou garantie n'est donnée. Les performances passées ne préjugent pas des résultats futurs.
Les prévisions sont une estimation des performances futures basées sur des données passées relatives aux variations de la valeur de cet investissement et/ou sur les conditions actuelles du marché. Les prévisions ne constituent pas un indicateur fiable des rendements futurs. Ce que vous recevrez variera en fonction des performances du marché et de la durée de détention de l'investissement/du produit.
Les exemples historiques sont fournis à des fins d'illustration uniquement, peuvent ne pas représenter les positions actuelles du fonds et ne constituent pas une recommandation d'achat ou de vente. Lorsqu'un indice de référence est utilisé à des fins de comparaison, il est présenté uniquement à titre illustratif et n'implique aucune performance future.
Aucune partie de ce document ne peut être reproduite de quelque manière que ce soit sans l'autorisation préalable de Jupiter.
Publié au Royaume-Uni par Jupiter Asset Management Limited (JAM), siège social : The Zig Zag Building, 70 Victoria Street, London, SW1E 6SQ, agréée et réglementée par la Financial Conduct Authority. Publié dans l'UE par Jupiter Asset Management International S.A. (JAMI), siège social : 5, Rue Heienhaff, Senningerberg L-1736, Luxembourg, agréée et réglementée par la Commission de Surveillance du Secteur Financier. Aucune partie de ce document ne peut être reproduite de quelque manière que ce soit sans l'autorisation préalable de JAM/JAMI.
*À Singapour, le terme « professionnels de l'investissement » désigne les investisseurs accrédités et/ou institutionnels tels que définis à l'article 4A du Securities and Futures Act (« SFA ») et, à Hong Kong, les investisseurs professionnels tels que définis par la Securities and Futures Ordinance (Cap. 571 des lois de Hong Kong).